論文の概要: CAR-Net: A Cascade Refinement Network for Rotational Motion Deblurring under Angle Information Uncertainty

• arxiv url: http://arxiv.org/abs/2512.00700v1
• Date: Sun, 30 Nov 2025 02:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.369438
• Title: CAR-Net: A Cascade Refinement Network for Rotational Motion Deblurring under Angle Information Uncertainty
• Title（参考訳）: CAR-Net:アングル情報不確実性下での回転運動のカスケードリファインメントネットワーク
• Authors: Ka Chung Lai, Ahmet Cetinkaya,
• Abstract要約: 本稿では, 回転運動のぼかしを受ける画像の劣化を解消する, CAR-net (CAscade Refinement Network) と呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 我々のアーキテクチャは、回転運動のぼかし角のノイズ情報のみを利用できる半盲のシナリオに特化して設計されている。
• 参考スコア（独自算出の注目度）: 1.2031796234206138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new neural network architecture called CAR-net (CAscade Refinement Network) to deblur images that are subject to rotational motion blur. Our architecture is specifically designed for the semi-blind scenarios where only noisy information of the rotational motion blur angle is available. The core of our approach is progressive refinement process that starts with an initial deblurred estimate obtained from frequency-domain inversion; A series of refinement stages take the current deblurred image to predict and apply residual correction to the current estimate, progressively suppressing artifacts and restoring fine details. To handle parameter uncertainty, our architecture accommodates an optional angle detection module which can be trained end-to-end with refinement modules. We provide a detailed description of our architecture and illustrate its efficiency through experiments using both synthetic and real-life images. Our code and model as well as the links to the datasets are available at https://github.com/tony123105/CAR-Net
• Abstract（参考訳）: 本稿では, 回転運動のぼかしとなる画像の劣化を抑えるために, CAR-net (CAscade Refinement Network) と呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 我々のアーキテクチャは、回転運動のぼかし角のノイズ情報のみを利用できる半盲のシナリオに特化して設計されている。 提案手法の核となるのは,周波数領域の反転から得られた初期劣化補正から始まる進行補正プロセスであり,一連の改良段階は,現在の劣化補正を予測・適用し,成果物を段階的に抑制し,細部を復元する。 パラメータの不確実性に対処するため、我々のアーキテクチャは、修正モジュールでエンドツーエンドにトレーニング可能なオプションの角度検出モジュールに対応している。 本稿では,本アーキテクチャの詳細な説明と,合成画像と実物画像の両方を用いた実験による効率性について述べる。 私たちのコードとモデルとデータセットへのリンクはhttps://github.com/tony123105/CAR-Netで公開されています。

関連論文リスト

• Blur2seq: Blind Deblurring and Camera Trajectory Estimation from a Single Camera Motion-blurred Image [2.842028685390758]
  カメラの揺らぎによる動きのぼやけは、特に大きな動きや回転運動の下では、画像復元において大きな課題である。 本稿では,1つのぼやけた画像から潜時鋭い画像と下層のカメラ運動軌跡を共同で推定する深層学習フレームワークを提案する。 本手法は,合成データと実データの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-10-23T13:26:07Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Deep Rotation Correction without Angle Prior [57.76737888499145]
  我々は,高コンテンツ忠実度で傾きを自動的に補正する,回転補正という新しい実用的タスクを提案する。 このタスクは画像編集アプリケーションに簡単に統合でき、ユーザーは手動操作なしで回転した画像を修正できる。 我々はニューラルネットワークを利用して、傾斜した画像を知覚的に水平に歪めることができる光学フローを予測する。
  論文  参考訳（メタデータ） (2022-07-07T02:46:27Z)
• Spatio-Temporal Recurrent Networks for Event-Based Optical Flow Estimation [47.984368369734995]
  本稿では,イベントベース光フロー推定のためのニューラルネットアーキテクチャを提案する。 このネットワークは、Multi-Vehicle Stereo Event Cameraデータセット上で、セルフ教師付き学習でエンドツーエンドにトレーニングされている。 既存の最先端の手法を大きなマージンで上回る結果が得られた。
  論文  参考訳（メタデータ） (2021-09-10T13:37:37Z)
• Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
  本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
  論文  参考訳（メタデータ） (2021-07-13T18:01:43Z)
• Optical Flow Estimation from a Single Motion-blurred Image [66.2061278123057]
  画像内の動きのぼかしは、基本的なコンピュータビジョンの問題に実用的な関心を持つ可能性があります。 本研究では,単一動画像からの光流れをエンドツーエンドで推定する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T12:45:18Z)
• Efficient and Model-Based Infrared and Visible Image Fusion Via Algorithm Unrolling [24.83209572888164]
  赤外線および可視画像融合(IVIF)は、赤外線画像からの熱放射情報を保持する画像と、可視画像からテクスチャの詳細を取得することを期待している。 従来のCNNベースのIVIFモデルの欠点を克服するために,モデルベース畳み込みニューラルネットワーク(CNN)モデルを提案する。
  論文  参考訳（メタデータ） (2020-05-12T16:15:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。